那几天一直在做 CTF晚上停下来的时候，头有一点疼。倒没有什么大影响，只是脑子明显已经跑得太久了。回头看这一个下午，真正让我停不下来的，后来已经不是题本身，而是一个越来越奇怪的现象。
我们为了比赛，请教了专门打 CTF 的师傅，装了专业的 Skills，选了专业的模型，换了不同的 Agent 客户端，本地执行环境也准备好了。几乎能装的装备，都装上了。
然后，一个什么 CTF Skills 都没装、只带着通用沙箱的 GPT 上场了。
我们这边有些题跑了三四十分钟，Token 还在不停地滚，甚至最后没有结果。它三五分钟，flag 已经拿到了。
那一刻让我想起 2024 年巴黎奥运会上那个土耳其射击运动员优素福·迪凯奇。别人各种专业装备戴得整整齐齐，他戴着一副普通眼镜，一只手插在兜里，举枪，射击。
但现在想想，这个比喻甚至还不够准确。
这一次不是全副武装输给了穿休闲装的人，是你还在全副武装地战斗，人家已经结束比赛，连背影都看不到了。
一、一开始，我们就是全副武装的
因为要打比赛，我们没有自己瞎摸索。一开始就请教了专门打 CTF 的师傅：现在用 AI 打 CTF，应该怎么打？
师傅的建议很明确：要装专门做 CTF 的 Skills，要使用适合这类任务的模型，还要配能够读文件、写代码、调用工具的 Agent 客户端。当时他比较推荐的是：
K3 + Kimi Code + CTF Skills。
所以后来的测试，并不是几个模型打开聊天窗口随便问问。它们有专业 Skills，有 Agent 客户端，也能够直接在我的 Mac 上执行代码，模型可以分析文件、写脚本、运行、读取结果，再继续往下走。
但最开始使用 GLM-5.2、Kimi 2.7 等模型时，体验并不好。有些题一跑就是三四十分钟，甚至四五十分钟。
更折磨人的，其实还不是等，而是你会一直看着它“思考”。Token 一行一行往下滚，一会儿它说“有重大发现”，心里也跟着一提；过一会儿又变成“这个方向不对，需要重新分析”。
继续跑一会儿，它突然又找到一个线索，你又觉得这次可能真的快出来了。那半个小时里，模型的判断一直在跳，人的心情也跟着它一起跳。
看起来它一直在工作，每一步似乎也都有理由。但最后回头一看，它有时候只是不断在几个方向之间来回打转。
当时甚至一度让我怀疑：是不是题有问题？
现在想想，这个怀疑很有意思。当你已经按照专业经验，把模型、客户端、Skills、执行环境都配齐以后，跑了四五十分钟还是做不出来，人很自然会开始怀疑外部。
也许附件不完整，也许题本身有坑。后来才发现，题可能一点问题都没有。
二、模型一直在动，但却停在原地
后来看到一些关于 GLM-5.3 网络安全能力的宣传，我们又赶快想办法换上了 GLM-5.3。相比 5.2，确实能够感觉到提升，但没有特别大。
真正第一次让我明显感觉到台阶变化的，是师傅推荐的 K3。以前有些模型跑半个小时，最后还不知道有没有结果；K3 在不少题上，半个小时左右已经能够真正解出来。
按照那天下午非常粗略的体感，成功率可能到了四五成。后来又用了 gk 4.6，差距再次出现。
时间其实仍然大致在半小时以内，但当时测试的那批题里，大部分已经能够真正走到最后，体感成功率接近九成。这些数字当然不是 Benchmark，只是一次真实使用中的观察。
真正让我在意的是：
同样是“跑了半小时”，原来可以是完全不同的半小时。
一个模型可能消耗大量 Token，不断尝试，最后什么都没有。另一个模型时间差不多，却已经把事情做完了。
CTF 恰好把这种差异放得特别大，因为它不是一次问答，而是一个不断循环的过程：判断、执行、反馈、修正，再判断。
模型每一步只差一点，几十轮以后就可能完全不同。一个模型很早踩中关键路径，另一个模型则像一只热锅上的蚂蚁，一直在走、一直在转，但就是走不出去。
当时师傅还提醒过我们，如果模型卡住了，人要进去介入一下，帮它调整思路。当时觉得这只是一个使用技巧，现在再想，这句话其实暴露了一个很重要的问题。
当模型能力还不够的时候，人并没有真正退出执行。
模型负责跑，人负责看方向。一旦它陷入循环，人要告诉它这个方向不要继续了，换一个假设，重新看题，甚至直接把它从错误的问题空间里拎出来。
所以所谓“AI 自己跑了半小时”，其实不只是半小时的 Token。旁边还站着一个人，一直盯着它。
这让我第一次觉得：
Token 一直在滚，只能说明模型还在工作，不能说明问题正在向前。
三、后来发现，模型也不是全部
测试 K3 的时候，我又做了一件很随意的事情：把同一个 K3 放进不同 Agent 客户端里跑。
Gk、Kimi Code、ZCode、WorkBuddy。这些环境都装了 CTF Skills，代码也都在同一台 Mac 上执行。
至少表面看起来，模型相同，机器相同，任务相同，也都有专业 Skills。主要变化的只是 Agent。结果却不一样。
按照那天下午的实际体感，大致是：
Gk 端 > Kimi Code > ZCode > WorkBuddy。
甚至还出现了一个交叉：
K3 + Kimi Code，优于 GLM-5.3 + ZCode。
这一下，“哪个模型最强”这个问题突然变得没那么简单了。如果客户端只是模型外面套的一层壳，同一个 K3 放在哪里，表现应该差不多，但实际不是。
System Prompt 怎么组织，Context 怎么维护，Skills 怎么加载，工具结果怎么反馈，走错以后怎么恢复，什么时候继续探索，什么时候收敛，这些藏在 Agent 后面的东西，都在改变模型最终能够发挥出来多少能力。
这也带来了第一个让我有点后怕的发现：
如果你最强的模型，放在别人家的客户端里，比放在自己的客户端里表现还好，会怎么样？
模型是你的，但别人可能比你更会使用它。拥有最强模型，和拥有最强的 AI 产品，原来可能是两件事。
四、然后，穿休闲装的人已经走了
真正让我意外的还是 GPT。
前面的模型，我们已经按照专业师傅的建议，把该准备的基本都准备了。到了 GPT 这里，反而没有准备什么。
没有专门安装 CTF Skills，就是普通的会话，加一个通用沙箱。而且因为安全边界，中间还拒绝了我不少次。但有些题，三五分钟就做完了。
这时候再回头看前面那些跑了半个小时的 Agent，感觉突然不一样了。因为这已经不只是：
30 分钟 vs 3～5 分钟。
30 分钟背后，还有巨量 Token，还有不断的工具调用，还有失败以后重新探索，也还有旁边那个一直盯着它、随时准备纠偏的人。
而三五分钟那边，分析、执行、结果，然后结束。
所以我前段时间看到一句话：
Token 和 Token 是不一样的。
刚看到的时候，只觉得有道理。那天下午重新想起这句话，却突然有点后怕。
因为一个 Agent 可以烧掉几十倍 Token，最后产出是 0；另一个只消耗很少的 Token，产出是 1 个完成的任务。这两个 Token，应该怎么比较？
这时候再看“每百万 Token 多少钱”，突然觉得这个指标有些单薄。
一个模型的 Token 单价便宜十倍，如果它需要几十倍 Token，跑更长时间，还需要一个专家在旁边不断纠偏，最后甚至可能失败，它真的便宜吗？
反过来，一个模型单价很贵，但几分钟就把事情做完，也许它才是便宜的那个。
便宜地消耗 Token，和便宜地完成任务，是两件完全不同的事情。
五、也许真正昂贵的是人的注意力
这个下午还让我重新想起我们以前讨论过的一个判断。
我们曾经设想，未来一个团队可能不再需要那么多执行人员。留下一个负责人，一个领域专家，再有一个负责维护 Agent 平台的人，大量具体工作交给数字团队执行。
以前这更多是一种对未来组织的想象。这次 CTF，却让我第一次看到了一点它可能发生的过程。
当模型还比较弱的时候，专家其实走不了。Agent 在前面跑，专家在后面盯，发现它陷入循环，赶快进去调整方向。
这时候 AI 替代的只是手，方向仍然在人这里。而当模型强到能够自己发现错误、退出错误路径、重新规划，最后直接把结果交回来时，专家才第一次真正有机会退出执行循环。
也许真正的分界线从来不是：AI 会不会干活。而是：人能不能离开。
真正的自主，也许不是 Agent 可以自己运行半小时，而是你把任务交给它，然后去做别的事情。回来以后，只需要验收结果。
这时候被节省下来的，就不只是 Token，还有组织里可能更加昂贵的东西：专家的注意力。
六、AI重新定义专家的边界
顺着这个问题继续想，又出现了一个新的矛盾。如果模型越来越强，专家是不是也会越来越少？
也许会。
但留下来的那个专家，可能必须非常强。以前一个七十分的专家，也许已经可以指导一个五十分的 Agent；当模型自己到了八十分以后，这个专家就很难再给它提供方向。
真正还能站在它旁边的人，可能必须是九十分、九十五分，甚至能够发现当前最强模型都发现不了的问题。
而这样的专家，又会产生另一个变化。
过去一个很强的专家只能是一个人。他一天只有二十四小时，只能带有限的人、处理有限的问题。
但如果他的经验、判断、方法，甚至解决问题的轨迹能够被训练、蒸馏、沉淀进模型呢？一个专家的能力，就可能被复制到很多地方。
于是未来真正稀缺的，也许不再只是“有多少专家”，而是：谁还能产生模型里没有的新能力。
这条线最后会移动到哪里，我不知道。而且 CTF 是一个结果特别明确的场景，flag 要么拿到了，要么没有。
换成管理、战略、审美、关系这些没有明确 flag 的事情，这条线可能完全不一样。所以现在还不急着给答案。
但至少那天下午让我看见了一件以前只是模糊感觉到的事情：
AI 正在不断把昨天的专家能力，变成今天可以复制的基础能力。
而人的专家角色，也许只能不断往模型还没有覆盖的地方走。
七、最后留下来的，不是模型排名
晚上头有一点疼的时候，我才发现自己下午其实换了很多把尺子。
最开始比较的是哪个模型更强，后来变成哪个 Model + Agent 组合更强。再后来发现，真正应该看的也许不是模型、Token，甚至不是运行时间。是到底花了多少现实成本，把事情从 A 推到了 B。
Token 一直滚，不代表问题一直向前。Agent 一直运行，不代表人已经退出。
模型很便宜，也不代表完成任务很便宜。拥有最强模型，也不代表拥有最强的 AI 产品。
至于未来一个团队究竟需要多少人，需要什么样的专家，模型和专家能力的交叉点最后会走到哪里，现在都还不知道。
但有一件事情，那天下午已经变得很难再忽略。
我们全副武装，模型、Agent、Skills、工具全部装好。屏幕上的 Token 还在不断往下滚：“有重大发现”“方向不对”“重新分析”。
我们还盯着屏幕，等着下一次转机。而那个穿休闲装的人，三五分钟前已经拿到了 flag。
等我们终于抬起头。连背影都看不到了。
